RÉGRESSION / 12 · EXERCICE
Les mêmes métriques avec scikit-learn
scikit-learn fournit les calculs standards, avec le même ordre d’arguments : valeurs réelles, puis valeurs prédites.
L’import * expose les métriques directement pour cet exercice. Dans un projet plus grand, des imports explicites évitent les collisions de noms. sklearn renvoie la MAPE comme un rapport : 0.12 signifie 12 %.
Exemple expliqué
- 1
from sklearn.metrics import *Import des fonctions du module metrics.
- 2
mean_squared_error(y, y_hat) root_mean_squared_error(y, y_hat) mean_absolute_error(y, y_hat)MSE, RMSE et MAE, respectivement.
- 3
100*mean_absolute_percentage_error(y, y_hat) r2_score(y, y_hat)Pourcentage pour la MAPE ; score sans unité pour R². Pour une cible nulle, sklearn évite la division par zéro avec un très petit dénominateur : la MAPE peut devenir énorme, sans être pertinente.
Code à compléter
Calculer mesures dans l’ordre MSE, RMSE, MAE, MAPE en %, R² et l’afficher.
Saisie autonome · crédit complet après réussite
Le résultat apparaîtra ici.
Session Python
Les variables restent disponibles entre les pages. Un rechargement efface les variables ; le code et l’utilisation de l’aide restent enregistrés dans cet onglet.